Command Palette
Search for a command to run...
Générer 800 Millions De Spectres De Masse Prédits Pour Plus D'un Milliard De Petites Molécules : Cornell Propose AIMe, Intégrant Des Règles Chimiques, Une Déduction Sur Les Voies De Fragmentation Et L'apprentissage Par Réseaux Neuronaux
Dans les études de métabolomique, la spectrométrie de masse peut capturer d’innombrables signaux correspondant à des petites molécules dans des échantillons biologiques complexes. Cependant, détecter ces signaux n’est que la première étape ; il est beaucoup plus difficile d’identifier précisément quelles molécules ils représentent. À l’heure actuelle, moins de 1 % des composés connus sont couverts par les bibliothèques expérimentales de référence disponibles pour le rapprochement spectral. Par conséquent, dans un échantillon biologique complexe typique, plus de 80 % des métabolites restent généralement non identifiés. Parallèlement, l’espace structuraux des petites molécules est bien plus vaste et complexe que celui de l’ADN ou des protéines : une même formule moléculaire peut correspondre à une multitude de structures différentes. Il devient donc extrêmement difficile de couvrir cet immense espace chimique en se limitant au simple ajout continu de standards et de bibliothèques de référence.
Face à ce défi, l’équipe de recherche de l’université Cornell a développé AIMe (AI Molecule Explorer), un cadre d’intelligence artificielle neuro-symbolique multi-agents dédié à l’analyse du spectre de masse des petites molécules. Le modèle central, DeepMS²Reasoner, intègre des règles chimiques, la déduction des voies de fragmentation et l’apprentissage par réseaux neuronaux. Il simule les processus de fragmentation tels que la rupture des liaisons chimiques et le transfert d’hydrogène à partir de la structure moléculaire, puis prédit les spectres MS² associés. Grâce à cette approche, AIMe dépasse la méthode traditionnelle consistant à effectuer un appariement direct entre « spectre expérimental – bibliothèque de référence », permettant ainsi de rechercher des candidats pertinents parmi un espace structural moléculaire beaucoup plus large pour tout spectre inconnu.
Afin d’étendre cette capacité à l’espace connu des petites molécules, l’équipe a également construit MS²KOSMOS, générant plus de 800 millions de spectres MS² prédits pour plus de 100 millions de petites molécules présentes dans PubChem, augmentant ainsi l’espace de recherche spectral d’environ trois ordres de grandeur par rapport aux bibliothèques expérimentales existantes. Lorsqu’on lui soumet un spectre inconnu, AIMe ne se contente pas de retourner des molécules candidates ; il fournit également leurs chemins de fragmentation respectifs et associe chaque pic spécifique du spectre à des formules fragmentaires possibles ainsi qu’à leur structure. L’équipe a ensuite validé ses capacités d’analyse des petites molécules inconnues et d’annotation à l’échelle des bases de données grâce à des métabolites dépendants du microbiote intestinal chez la souris et à des jeux de données massives provenant de GNPS.
Les résultats connexes ont été publiés sur la plateforme préprint bioRxiv sous le titre « Charting the small-molecule universe from mass spectra with neuro-symbolic AI ».
Consulter l'article :
https://www.biorxiv.org/content/10.64898/2026.08.05.743095v1
Du spectre expérimental à l'espace des milliards de petites molécules
Les données utilisées par AIMe remplissent principalement trois fonctions :** entraîner le modèle de prédiction spectrale, construire un espace de petites molécules interrogeable, et vérifier sa capacité d’analyse sur des échantillons réels.**
Les données d’entraînement de DeepMS²Reasoner proviennent de la base de données NIST 2020 dédiée à la spectrométrie de masse en tandem. Les chercheurs ont conservé les spectres MS² des ions protonés [M+H]⁺ et déprotonnés [M−H]⁻, exclu les composés contenant des métaux ainsi que les échantillons dont les informations structurales étaient incomplètes, et harmonisé le traitement des pics spectraux et des structures moléculaires. Les données ont été divisées selon l’InChIKey complet en 80 % pour l’ensemble d’entraînement, 10 % pour l’ensemble de validation et 10 % pour l’ensemble de test. Afin de réduire l’influence des redondances structurelles, lors de l’évaluation finale, les molécules tests présentant une similarité Tanimoto de 1,0 avec celles de l’ensemble d’entraînement (basée sur les empreintes digitales Morgan) ont été exclues.
La capacité de généralisation externe du modèle a été évaluée via deux ensembles indépendants, CASMI 2022 et MassSpecGym, qui n’ont participé ni à l’entraînement. Les expériences de recherche structurelle ont encore accru la difficulté : pour chaque spectre expérimental, en plus de la vraie structure, jusqu'à 49 molécules issues de PubChem ayant une masse proche et une structure similaire ont été introduites comme éléments perturbateurs. Pour CASMI, les chercheurs ont conçu un test encore plus rigoureux basé sur tous les isomères complets, incluant toutes les formes isomériques de PubChem partageant la même formule moléculaire dans les candidats potentiels, soit près de 2,5 millions de spectres candidats au total.
Une fois le modèle entraîné, le champ d’application s’est étendu aux petites molécules déjà référencées dans PubChem. Parmi plus de 105 millions de composés organiques ayant un rapport m/z inférieur à 1000, AIMe a prédit les spectres MS² sous modes ionisés positifs et négatifs, ainsi que sous quatre niveaux différents d’énergie de collision, générant ainsi plus de 800 millions de spectres prédits organisés sous forme de MS²KOSMOS, servant de fondation pour les recherches ultérieures portant sur des spectres inconnus.
L’application réelle implique principalement deux groupes de données. Le premier concerne le métabolome fécal de souris axéniques (GF) comparé à celui de souris sans pathogènes spécifiques (SPF) possédant un microbiote intestinal intact ; parmi ceux-ci, 111 signaux dépendants du microbiote, relativement abondants mais non identifiables via les standards actuels et les bibliothèques spectrales, ont été sélectionnés. La seconde série provient de la base publique GNPS ; après filtrage selon divers critères tels que l’état de charge et la masse moléculaire, un total de 7 144 480 consensus MS² a été soumis à une recherche massive.
Permettre au modèle d'apprendre "comment" les molécules se fragmentent
AIMe repose sur trois modules interconnectés : DeepMS²Reasoner est chargé de prédire les spectres MS² et les chemins de fragmentation depuis la structure moléculaire ; MS²KOSMOSGenerator utilise ce modèle afin de réaliser des prédictions à grande échelle sur les structures chimiques et de constituer MS²KOSMOS exploitable ; enfin, MS²KOSMOSMapper traite les spectres expérimentaux inconnus recherchés dans MS²KOSMOS pour identifier les molécules potentiellement pertinentes ainsi que leurs voisinages structuraux. Une fois les grandes prédictions effectuées à l’avance, seule une analyse computationnelle fine doit être menée sur les structures candidates retenues durant la phase effective de requête.
Parmi les composants, le DeepMS²Reasoner détermine la capacité de prédiction des spectres de masse du système. Il n’apprend pas directement « quelles pics correspondent à une molécule et quelle est leur intensité », mais simule étape par étape le processus de fragmentation à partir de la molécule précurseur, tout en construisant dynamiquement un graphe acyclique dirigé (GAD). Les nœuds du graphe représentent différents fragments, tandis que les arêtes correspondent aux actions spécifiques de fragmentation. Le modèle prend en compte trois mécanismes : rupture de liaisons linéaires, rupture de liaisons cycliques et élimination, tout en enregistrant les variations de charge et les transferts d’hydrogène. De plus, il ne fixe pas à l’avance la profondeur maximale de fragmentation, ce qui lui permet de représenter des fragments complexes nécessitant plusieurs étapes de rupture de liaison, d’ouverture de cycle ou de réarrangement pour se former.
Le choix du chemin de fragmentation est assuré par le composant neuronal ALEA (Action Likelihood Estimator Advisor). ALEA utilise une architecture basée sur Graphormer ; selon l’état atomique, chimique (liaisons, cycles), ainsi que les conditions expérimentales telles que l’énergie de collision, l’instrument utilisé et les ions adduits, il attribue des probabilités à différentes actions de fragmentation et à l’arrêt de la fragmentation. Le DeepMS²Reasoner propage ensuite ces probabilités le long du chemin de fragmentation, et les intensités relatives des pics spectraux sont obtenues grâce aux probabilités cumulées finales d’arrêt associées à chaque fragment.
Le réseau neuronal est chargé d’évaluer quelle trajectoire de fragmentation est la plus susceptible de se produire, tandis que les règles chimiques déterminent quelles trajectoires sont autorisées. Après chaque étape de fragmentation, le système vérifie les contraintes chimiques telles que la connectivité moléculaire et l’équilibre hydrogène ; les fragmentations irréalistes ne sont pas soumises aux calculs ultérieurs. Les fragments présentant une même structure et un même état chimique sont fusionnés afin de réduire les recherches redondantes. Pour les branches dont la probabilité est très faible, le modèle arrête leur développement, évitant ainsi l’exploration exhaustive de toutes les voies de fragmentation qui croîtraient rapidement avec la complexité moléculaire.
Lors de l’apprentissage, c’est principalement ALEA qui doit apprendre ses paramètres ; les autres opérations de fragmentation et les jugements de faisabilité chimique sont réalisés à l’aide de règles déterministes. Le modèle utilise la divergence de Kullback-Leibler pour mesurer l’écart entre le spectre de masse prédit et le spectre expérimental, tout en intégrant des contraintes de régularisation. Lorsque plusieurs mécanismes peuvent expliquer un même pic spectral, il privilégie légèrement les ruptures de liaisons linéaires simples. L’apprentissage s’appuie également sur l’apprentissage progressif (curriculum learning) : on commence par des molécules petites et dont les chemins de fragmentation sont simples, puis on introduit progressivement des composés plus grands et complexes, permettant au modèle d’acquérir d’abord des lois locales de fragmentation transférables.
DeepMS²Reasoner résout le problème de « prédire un spectre de masse à partir d’une structure », tandis que MS²KOSMOS va plus loin en résolvent la question « comment rechercher parmi des milliards de molécules ? ». MS²KOSMOSGenerator représente chaque spectre prédit comme un vecteur creux constitué de formules brutes de fragments, et construit un index inversé. Face à un spectre inconnu, le système n’a pas besoin de comparer individuellement des centaines de millions de molécules ; il identifie d’abord les candidats partageant des formules brutes de fragments communes avec le spectre interrogé, puis MS²KOSMOSMapper recalcule et classe ces candidats selon leurs conditions expérimentales réelles (telles que l’énergie de collision), renvoyant simultanément le graphe acyclique dirigé (DAG) correspondant des cheminements de fragmentation.
Du spectre de masse prédit à l’élucidation de molécules inconnues
L’étude commence par évaluer DeepMS²Reasoner sur la tâche fondamentale de prédiction du spectre de masse. Sur le jeu d’évaluation indépendant NIST 2020, la similarité cosinus moyenne entre les spectres prédits et expérimentaux atteint 0,83, avec une médiane de 0,89 ; les valeurs moyennes des autres modèles comparés se situent entre 0,61 et 0,75. Sur les jeux de données entièrement indépendants CASMI 2022 et MassSpecGym, DeepMS²Reasoner obtient respectivement des similarités cosinus moyennes de 0,67 et 0,59, constituant les meilleurs résultats parmi tous les modèles évalués. Prenons l’exemple de CASMI : dans plus de 40 % des cas, DeepMS²Reasoner fournit un spectre prédit qui est le plus proche du résultat expérimental par rapport aux autres modèles.
Par rapport à la simple prédiction des spectres de masse, une tâche encore plus difficile consiste à retrouver la bonne molécule en partant du spectre expérimental. L’étude place la structure réelle auprès d’un grand nombre de candidats ayant des masses proches et des structures similaires pour effectuer cette recherche. Lors du test complet des isomères de CASMI, les taux de précision au rang 1 (Top-1), au rang 10 (Top-10) et au rang 50 (Top-50) atteignent respectivement 35,6 %, 64,4 % et 79,8 %. Les performances au Top-1 et au Top-10 dépassent celles du deuxième meilleur modèle, FraGNNet, de plus de dix points de pourcentage chacune.
La capacité du modèle à gérer les fragmentation en plusieurs étapes a également été validée sur des molécules spécifiques. Prenez l’exemple de la biotine : la similarité cosinus entre le spectre prédit par DeepMS²Reasoner et le spectre expérimental atteint 0,88. Certains fragments majeurs ne peuvent pas être formés par une seule rupture de liaison, mais nécessitent plutôt une série continue d’étapes telles que l’élimination de groupes fonctionnels, l’ouverture de cycle et une fragmentation ultérieure. Le modèle peut fournir ces chemins multiétapes correspondant à ces fragments et prédire différents degrés de fragmentation selon les variations de l’énergie de collision.
Performances de prédiction des spectres de masse par DeepMS²Reasoner
Par la suite, l’étude a appliqué AIMe à l’analyse réelle de métabolites inconnus. Parmi les 111 signaux dépendants du microbiome non identifiés dans le métabolome de souris, environ un tiers a pu être mis en correspondance avec des composés connus présentant une forte similarité via MS²KOSMOS ; les autres correspondent vraisemblablement à des structures encore non décrites.
Les chercheurs ont ensuite sélectionné deux composés inconnus pour une analyse structurale détaillée. Sur la base des fragments de structure fournis par AIMe, ils ont combiné plusieurs molécules candidates et prédit leurs spectres en tandem de masse (MS²), qu’ils ont comparés aux résultats expérimentaux. Pour l’un des composés inconnus, le meilleur candidat initial présentait déjà une similarité cosinus atteignant 0,79, mais il manquait encore quelques fragments clés observés expérimentalement. L’équipe a donc envisagé davantage les structures cycliques et s’est concentrée sur un dérivé rare d’une polyamine macrocyclique. Grâce à une synthèse chimique et à une comparaison des temps de rétention ainsi que des spectres MS², les deux structures candidates ont finalement été validées ; cela inclut notamment une structure de polyamine jamais rapportée auparavant chez la souris ou l’être humain. Des recherches complémentaires ont révélé que divers métabolites apparentés étaient également présents dans des échantillons humains.
Enfin, l’étude étend l’utilisation d’AIMe à plus de sept millions et cent quarante mille consensus spectraux du GNPS. Avec un seuil de similarité cosinus fixé à 0,7, environ 2,69 millions de spectres se sont vu attribuer des annotations candidates, soit près d’un tiers du total interrogé ; après avoir relevé ce seuil à 0,8, on a ajouté environ 1,27 million d’annotations supplémentaires à haute similarité, correspondant à plus de vingt-six millions de spectres bruts précédemment non annotés dans GNPS. Ainsi, le champ d’application d’AIMe passe de la prédiction de spectres MS² pour des molécules individuelles à l’annotation de composés inconnus à l’échelle d’une base de données.
*Résultats massifs d’annotation obtenus avec AIMe sur la base de données GNPS.*
Ces résultats ne signifient pas que l’identification structurale des petites molécules est entièrement automatisée. À mesure que la masse moléculaire augmente, le nombre possible de voies de fragmentation croît nettement, tandis que la couverture des grandes molécules reste insuffisante dans les données d’apprentissage, entraînant une baisse des performances prédictives de DeepMS²Reasoner. Plus important encore, les seuls spectres MS² sont généralement insuffisants pour confirmer définitivement une structure. Conformément aux normes de la métabolomique, lorsque manquent des preuves indépendantes telles que le temps de rétention, la RMN ou des produits de référence, les résultats proposés par AIMe relèvent principalement d’une annotation de niveau 3 : leur rôle consiste surtout à réduire l’espace des candidats, formuler des hypothèses structurales et justifier les mécanismes de fragmentation ; la confirmation finale exige toujours une validation expérimentale.
En guise de conclusion
La portée d’AIMe ne se limite pas à améliorer davantage la précision des prédictions de spectrométrie de masse ; elle vise aussi à transformer la façon dont les petites molécules inconnues sont analysées. Par le passé, face à un spectre inconnu, les chercheurs devaient souvent chercher une correspondance directe dans des bibliothèques expérimentales limitées ; AIMe utilise d’abord un modèle pour convertir l’espace connu des petites molécules en un espace recherché de spectres prédits, puis réduit progressivement les candidats grâce aux fragments structuraux et aux voies de fragmentation. S’il ne peut actuellement remplacer les validations expérimentales reposant sur des standards de référence, la RMN, etc., il permet néanmoins de poursuivre l’investigation de nombreux signaux qui restaient jusque-là bloqués faute « de spectres de référence ».
Pour la métabolomique, cet aspect pourrait être plus déterminant que l’ajout pur et simple de nouvelles entrées dans les bibliothèques spectrales : les spectres inconnus n’offrent désormais plus seulement deux issues possibles (« correspondance trouvée » ou « aucune correspondance »), mais deviennent capables de servir de point de départ pour proposer et tester des hypothèses structurales.
